通过深度学习实现的非对比MRI上心肌氧提取分数的量化
Ran Li1, Cihat Eldeniz1, Keyan Wang2
1Mallinckrodt Institute of Radiology, Washington University School of Medicine, St Louis, MO, 63110, United States.
Radiology advances
|July 11, 2025
概括
一种新的深度学习心血管磁共振 (CMR) 方法非对比量化心肌氧抽取分数 (mOEF) 和心肌血液体积 (MBV) 具有高可重现性. 这种技术有助于评估治疗干预措施,以保护心肌组织.
科学领域:
- 心血管磁共振成像 - 心血管磁共振成像
- 医疗成像中的人工智能
- 肌心脏生理学 肌心脏生理学
背景情况:
- 量化心肌氧提取分数 (mOEF) 和心肌血液体积 (MBV) 对于评估心肌健康至关重要.
- 传统方法通常需要对比剂,限制序列评估,并带来风险.
- 开发非对比技术对于改善患者护理和研究至关重要.
研究的目的:
- 开发和验证一种支持深度学习的心血管磁共振 (CMR) 方法,用于mOEF和MBV的非对比量化.
- 在健康志愿者中评估这种新型CMR技术的可复制性.
- 评估该方法在患有慢性心肌梗塞的患者中的可行性.
主要方法:
- 在3TMRI系统上实施了一个不对称的自旋回声准备的CMR序列.
- 开发了一个基于UNet的完全连接的神经网络,以从CMR信号计算mOEF和MBV.
- 在20名健康志愿者中评估了可复制性,在10名心肌梗塞患者中评估了可行性.
主要成果:
- 深度学习CMR方法在mOEF和MBV量化方面表现出良好的可重复性.
- 志愿者的平均全球MOEF和MBV为0.58±0.07和9.5%±1.5%,与其他方法一致.
- 与正常区域相比,在心肌梗塞核心中观察到显著的区域mOEF下降 (40%).
结论:
- 开发的支持深度学习的CMR方法为量化mOEF和MBV提供了可靠的,非对比的手段.
- 这种技术为评估心肌缺氧和指导治疗策略提供了一个客观的,没有对比度的方法.
- 该方法有可能促进对可活性心肌组织的治疗效果的连续监测.
